一种基于深度学习的病理图像分析方法、设备及系统技术方案

本发明专利技术涉及一种基于深度学习的病理图像分析方法、系统及设备。该方法包括：获取样本的细胞病理染色图像；采用细胞检测模型对细胞病理染色图像中的细胞进行检测得到肌上皮和/或腺上皮细胞，其中，细胞检测模型基于免疫组化染色结果为导向构建。本发明专利技术方法旨在通过细胞检测模型得到肌上皮和/或腺上皮细胞检测结果，基于此进行分类预测，得到良恶性细胞的分类结果以及良恶性肿瘤的预测结果，以发掘其在病理学影像数据中的智能分析能力和潜在应用价值。价值。价值。

【技术实现步骤摘要】
一种基于深度学习的病理图像分析方法、设备及系统


[0001]本专利技术涉及计算机视觉和病理学图像分析领域，更具体地，涉及一种基于深度学习的病理图像分析方法、设备、系统、计算机可读存储介质及其应用。

技术介绍

[0002]近年来，随着计算机视觉、模式识别技术被逐渐应用在医学辅助诊断，医学图像处理和病理分析成为了一个热门研究和应用领域。肌上皮瘤和恶性肌上皮瘤中，肌上皮细胞是唯一的肿瘤成分，作为一种特殊类型的细胞，表现为不同的细胞形态，位于大涎腺腺泡和闰管、乳腺和汗腺腺泡的上皮细胞与基底膜之间，其最显著的特征是在基底侧有细胞质丝，同时具有上皮性和间叶性细胞的结构和功能，发生改变的肌上皮细胞(肿瘤性增殖)可表现为上皮性和/或间叶性特征。腺上皮细胞是人体正常的细胞，是发生恶性肿瘤的一个重要的来源细胞，癌变的腺上皮细胞可以侵入到周围正常的组织、淋巴系统、血液循环系统转移到身体其他的部位，对身体造成危害。
[0003]目前，常规切片中，肌上皮细胞和腺上皮细胞难以辨认。肿瘤性肌上皮细胞的形态多样性，导致其在唾液腺肿瘤诊断中的难度相当大，尤其是当遇到同时有肿瘤性腺上皮细胞成分的唾液腺肿瘤时，往往难以辨认变异的肿瘤性肌上皮细胞。上皮增生或形成肿瘤时，免疫组织化学检测中的标志物可为病变类型的鉴别诊断提供重要帮助，是病理诊断和鉴别诊断的重要辅助方法，也是进行癌分型和精准治疗标志物筛选的主要手段，但免疫组织化学检测价格昂贵。

技术实现思路

[0004]本申请的目的在于，本申请实施例提供一种细胞检测模型构建方法、一种基于深度学习的病理图像分析方法、系统、设备、计算机可读存储介质及其应用，其旨在基于腺上皮细胞、肌上皮细胞的特异性分类识别有助于进行良恶性上皮性肿瘤的分类预测，通过以免疫组化染色结果为导向训练构建细胞检测模型，对病理学染色图像进行整个样本的识别研究，包括腺上皮细胞和肌上皮细胞预测分析和良恶性分类以及良恶性肿瘤预测结果，以给医生在肿瘤病变类型的辅助诊断分析方面中提供更充分的支持和潜在应用价值。
[0005]根据本申请的第一方面，本申请一实施例提供了一种细胞检测模型构建方法，所述模型的构建过程包括：获取样本的细胞病理染色图像和相应的免疫组化染色图像，构建训练集，基于免疫组化染色图像中目标细胞标记物的免疫组化结果得到样本的目标细胞；将所述样本的细胞病理染色图像输入深度学习模型，得到预测的目标细胞，将所述预测的目标细胞与训练集中目标细胞进行比对，优化深度学习模型，得到训练好的细胞检测模型。
[0006]进一步，所述目标细胞包括肌上皮细胞和/或腺上皮细胞。
[0007]进一步，可选的目标细胞标记物包括下列标记物中的任意一种或几种：P63、Calponin、SMA、S
‑
100、CK13、CK14、CK7、EMA、CAM5.2、P53。
[0008]再进一步，所述肌上皮细胞的标记物包括P63、Calponin、SMA、S
‑
100、CK13、CK14、
CK7。
[0009]再进一步，所述腺上皮细胞的标志物包括EMA、CK7、CAM5.2、P53。
[0010]再进一步，所述目标细胞是根据目标细胞标记物的免疫组化染色结果中的像素值范围对相应的免疫组化染色图像进行过滤，得到免疫组化染色图像中阳性染色的像素值，基于像素值进行阈值分割，得到细胞掩膜图；对所述细胞掩膜图中封闭区域进行填充，得到每个细胞的连通区域；计算每个细胞的连通区域的面积和纵横比，过滤所述面积和纵横比在预设阈值之外的连通区域得到。
[0011]进一步，所述优化深度学习模型是根据预测的目标细胞和训练集中目标细胞之间的损失值进行优化得到训练好的细胞检测模型。其中，所述深度学习模型包括实例分割模型和/或目标检测模型，所述优化包括数据预处理、数据增广、随机权重衰减、学习率、对抗训练、正则化、AdamW优化器、自知识蒸馏。
[0012]再进一步，所述深度学习模型包括下列模型中的任意一种或几种：YOLO、SwinTransformer、MT
‑
UNet、FA
‑
SSD、FF
‑
SSD、R
‑
CNN、R
‑
FCN、RefineDet。
[0013]在一个优选的实施例中，所述细胞检测模型基于改进的YOLOV5深度学习模型进行构建，所述改进的YOLOV5在原YOLOV5中引入轻量的U
‑
Net以实现目标细胞的分割，所述轻量的U
‑
Net相对原始U
‑
Net减去一组上采样模块和下采样模块，并将所有的卷积数量缩小至0.5倍。
[0014]根据本申请的第二方面，本申请一实施例提供了一种基于深度学习的病理图像分析方法，其包括：获取样本的细胞病理染色图像；采用上述细胞检测模型对所述细胞病理染色图像中的细胞进行检测得到肌上皮细胞和/或腺上皮细胞。
[0015]进一步，所述基于深度学习的病理图像分析方法还包括：获取样本的细胞病理染色图像；采用上述细胞检测模型对所述细胞病理染色图像中的细胞进行检测得到肌上皮细胞和/或腺上皮细胞；对检测得到的肌上皮细胞和/或腺上皮细胞进行分类，得到良性腺上皮细胞、恶性腺上皮细胞、良性肌上皮细胞和/或恶性肌上皮细胞的分类结果。
[0016]再进一步，所述基于深度学习的病理图像分析方法还包括：获取样本的细胞病理染色图像；采用上述细胞检测模型对所述细胞病理染色图像中的细胞进行检测得到肌上皮细胞和/或腺上皮细胞；对检测得到的肌上皮细胞和/或腺上皮细胞进行分类，得到良性腺上皮细胞、恶性腺上皮细胞、良性肌上皮细胞和/或恶性肌上皮细胞的分类结果；基于分类结果进行预测得到恶性肿瘤或良性肿瘤的预测结果，所述预测结果包括腺上皮和/或肌上皮细胞类型的恶性或良性肿瘤。
[0017]进一步，所述良性肿瘤包括下列良性肿瘤中的任意一种或几种：基底细胞腺瘤、Warthin瘤、囊腺瘤、肌上皮瘤、多形性腺瘤、乳头状唾液腺瘤，所述恶性肿瘤包括下列恶性肿瘤中的任意一种或几种：黏液表皮样癌、腺泡细胞癌、肌上皮癌、腺样囊性癌、多形性腺癌、上皮
‑
肌上皮癌。
[0018]再进一步，对于获取样本的细胞病理染色图像，含有腺上皮细胞的图像为腺上皮类图像，含有肌上皮细胞的图像为肌上皮类图像，同时含有腺上皮细胞和肌上皮细胞的为腺上皮和肌上皮类图像。其中，所述恶性肿瘤或良性肿瘤的预测结果具体包括：对于腺上皮类良性图像，所述预测结果包括下列良性肿瘤中的任意一种或几种：基底细胞腺瘤、Warthin瘤和囊腺瘤；对于腺上皮类恶性图像，所述预测结果包括下列恶性肿瘤中的任意一
种或几种：黏液表皮样癌和腺泡细胞癌；对于肌上皮类良性图像，所述预测结果为肌上皮瘤；对于肌上皮类恶性图像，所述预测结果为肌上皮癌；对于腺上皮和肌上皮类良性图像，所述预测结果包括以下良性肿瘤中的任意一种或几种：多形性腺瘤、乳头状唾液腺瘤；对于腺上皮和肌上皮类恶性图像，所述预测结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种细胞检测模型构建方法，所述模型的构建过程：获取样本的细胞病理染色图像和相应的免疫组化染色图像，构建训练集，基于免疫组化染色图像中目标细胞标记物的免疫组化结果得到样本的目标细胞；将所述样本的细胞病理染色图像输入深度学习模型，得到预测的目标细胞，将所述预测的目标细胞与训练集中目标细胞进行比对，优化深度学习模型，得到训练好的细胞检测模型。2.根据权利要求1所述的一种细胞检测模型构建方法，其特征在于，所述目标细胞包括肌上皮细胞和/或腺上皮细胞；可选的，所述目标细胞标记物包括下列标记物中的任意一种或几种：P63、Calponin、SMA、S
‑
100、CK13、CK14、CK7、EMA、CAM5.2、P53；优选的，所述肌上皮细胞的标记物包括P63、Calponin、SMA、S
‑
100、CK13、CK14、CK7；优选的，所述腺上皮细胞的标志物包括EMA、CK7、CAM5.2、P53；优选的，所述目标细胞根据目标细胞标记物的免疫组化染色结果中的像素值范围对相应的免疫组化染色图像进行过滤，得到免疫组化染色图像中阳性染色的像素值，基于像素值进行阈值分割，得到细胞掩膜图；对所述细胞掩膜图中封闭区域进行填充，得到每个细胞的连通区域；计算每个细胞的连通区域的面积和纵横比，过滤所述面积和纵横比在预设阈值之外的连通区域得到。3.根据权利要求1所述的一种细胞检测模型构建方法，其特征在于，所述深度学习模型包括实例分割模型和/或目标检测模型；优选的，所述深度学习模型包括下列模型中的任意一种或几种：YOLO、SwinTransformer、MT
‑
UNet、FA
‑
SSD、FF
‑
SSD、R
‑
CNN、R
‑
FCN、RefineDet；优选的，所述细胞检测模型基于改进的YOLOV5深度学习模型进行构建，所述改进的YOLOV5在原YOLOV5中引入轻量的U
‑
Net以实现目标细胞的分割，所述轻量的U
‑
Net相对原始U
‑
Net减去一组上采样模块和下采样模块，并将所有的卷积数量缩小至0.5倍。4.一种基于深度学习的病理图像分析方法，其特征在于，所述方法包括：获取样本的细胞病理染色图像；采用权利要求1
‑
3所述细胞检测模型对所述细胞病理染色图像中的细胞进行检测得到肌上皮细胞和/或腺上皮细胞。5.一种基于深度学习的病理图像分析方法，其特征在于，所述方法还包括：获取样本的细胞病理染色图像；采用权利要求1
‑
3所述细胞检测模型对所述细胞病理染色图像中的细胞进行检测得到肌上皮细胞和/或腺上皮细胞；对检测得到的肌上皮细胞和/或腺上皮细胞进行分类，得到良性腺上皮细胞、恶性腺上皮细胞、良性肌上皮细胞和/或恶性肌上皮细胞的分类结果；可选的，所述方法还包括基于分类结果进行预测得到恶性肿瘤或良性肿瘤的预测结果，所述预测结果包括腺上皮和/或肌上皮细胞类型的恶性或良性肿瘤；可选的，所述良性肿瘤包括下列良性肿瘤中的任意一种或几种：基底细胞腺瘤、Warthin瘤、囊腺瘤、肌上皮瘤、多形性腺瘤、乳头状唾液腺瘤；可选的，所述恶性肿瘤包括下列恶性肿瘤中的任意一种或几种：黏液表皮样癌、腺泡细胞癌、肌上皮癌、腺样囊性癌、多形性腺癌、上皮
‑
肌上皮癌。
6...

【专利技术属性】
技术研发人员：刘旭倩，陈潇，聂敏海，韦建，
申请(专利权)人：西南医科大学附属口腔医院，
类型：发明
国别省市：